SEIS CATEGORIAS – DISTÂNCIA DE MAHALANOBIS

De forma a ser comparado com a classificação em seis categorias utilizando Rede Neural, são apresentados na Tabela 9 e na Tabela 10 os resultados de classificação utilizando três parâmetros e a distância de Mahalanobis.

Tabela 9 - Matriz de confusão utilizando Rede Neural e 11 parâmetros característicos do perfil magnético para classificação em seis categorias.

CATEGORIA REAL

CLASSIFICAÇÃO REDE NEURAL

Total Real Carro Moto Ônibus Caminhão Carreta Utilitários

Carro 282 0 1 1 0 12 296

Tabela 10 - Percentuais de Classificação para o conjunto de testes, utilizando distância de Mahalanobis, três parâmetros.

Carro Moto Ônibus Caminhão Carreta Utilitários Total Taxa de acerto (%)

95,27 99,58 96,53 92,83 97,29 97,06 96,35 Taxa Falsos Negativos

(%) 0,68 0,00 0,68 0,47 0,42 1,41 3,65

Conforme pode ser verificado, os índices de classificação individuais e geral são muito próximos aos obtidos pelo sistema utilizando rede neural com os mesmos três parâmetros. As taxas de falsos negativos foram superiores para as categorias, ônibus, caminhão, carro e carreta, para estas duas últimas classes isto foi

ocasionado pelo maior número de vans classificadas como carros e de caminhões classificados como carretas.

5.2 CLASSIFICAÇÃO EM OITO CATEGORIAS

Foi também proposto um sistema de classificação em 08 categorias: carro, moto, ônibus, caminhão, carreta, van, caminhonete e camioneta. As três últimas classes correspondem ao desmembramento da categoria de utilitários. O item 5.2.1 mostra os resultados dos testes utilizando rede neural com 11 parâmetros de

A Tabela 11 apresenta os resultados na matriz de confusão, utilizando 11 parâmetros de entrada para a rede neural. As simulações do sistema classificador foram feitas com a base de parâmetros dos 1918 veículos. Nas linhas está registrada a quantidade de veículos referente à categoria de acordo com a imagem observada e nas colunas está registrada a classificação que o sistema atribuiu.

Tabela 11 - Matriz de confusão em oito categorias utilizando 11 parâmetros extraídos do perfil magnético.

CATEGORIA REAL

CLASSIFICAÇÃO PELA REDE NEURAL

Total Real Carro Moto Ônibus Caminhão Carreta Van Caminhonete Camioneta

Carro 289 1 0 0 0 1 1 4 296

A Tabela 12 apresenta os índices de medição do desempenho do sistema.

Tabela 12 - Percentuais de Classificação para o conjunto de testes, uma rede neural 11-8-8.

Carro Moto Ônibus Caminhão Carreta Van Caminhonete Camioneta Total Taxa de

A partir da análise da Tabela 12, evidencia-se que:

• Apenas cinco caminhões foram classificados como carretas e apenas 5 carretas foram classificados como caminhões.

• Apenas quatro ônibus foram confundidos com caminhões

• As categorias carro, moto, ônibus, caminhões e carretas puderam ser separadas umas das outras com grande confiabilidade.

• Apenas uma camioneta, uma caminhonete e cinco vans foram confundidas com veículos de passeio e apenas 1 carro foi classificado como caminhonete e 1 classificado como van. O sistema foi capaz de separar com eficiência a categoria carro da categoria de utilitários (vans, caminhonetes e camionetas).

Entre as categorias de vans, camionetas e caminhonetes ocorreram os maiores erros na classificação, conforme já era previsto, devido ao fato de os perfis magnéticos entre estes tipos de veículos apresentarem muitas semelhanças. Ainda assim, os índices de acertos de classificação para estas categorias estão na mesma ordem de grandeza aos respectivos índices obtidos por Sun (2000) (71% para o total de veículos, sendo que caminhonetes e camionetas estavam agrupadas em uma mesma categoria e as vans em outra categoria. Um índice de 75% de acerto foi obtido por Oh e Ritchie (2007) para classificação de caminhonetes, camionetas e carros e de 58,3% para vans. Neste último, foram utilizados para testes apenas 12 veículos de cada categoria, sendo que o sistema foi implementado através de uma rede neural probabilística com esquema de decisão bayesiano. As variáveis de entrada foram comprimento magnético, amplitude, desvio padrão, parâmetro de forma e grau de simetria. Já em outro trabalho de Ritchie et al (2005) foram obtidos índices de classificação de 96,24% para carros, 61,58% para caminhonetes (total de 133 no teste), 51,34% para vans (total de 638) e 47,63% para camionetas (apenas

42 no teste). Foram utilizadas as mesmas variáveis de entrada do trabalho de Oh e Ritchie (2007), entretanto o sistema foi implementado através de árvore de decisão heurística.

O sistema de classificação proposto por Oh et al (2002) também utiliza uma rede neural com retropropagação de erro, utilizando como parâmetros de entrada a máxima amplitude do perfil, o comprimento magnético, o parâmetro de forma e a área sob a curva do perfil. Os veículos foram classificados em sete categorias tendo alcançado índice de classificação geral de 82,6%. O percentual de acertos na classificação para as categorias foram respectivamente: carros e minivans, 88,6%;

camionetas, 74,3%; van e microônibus, 75%; caminhonetes, 75,7%; caminhão 85,4%; carreta, 100%; ônibus, 100%, sendo que para esta última classe apenas 10 veículos foram utilizados no teste.

5.2.2 1_N REDES NEURAIS

A Tabela 13 e Tabela 14 apresentam os resultados dos testes do sistema de classificação implementado através de oito redes neurais, valor correspondente a quantidade de classes de veículos que se deseja classificar. Conforme descrito com maiores detalhes na seção 4.3, os vetores de entrada, constituídos pelas características extraídas do perfil magnético foram apresentados para cada rede neural de saída binária com apenas um bit, que indica se determinado veículo pertence ou não aquela classe específica. Foram utilizados os mesmos parâmetros do perfil e conjuntos de dados para treinamento, validação, e testes que o sistema com rede neural única.

Tabela 13 - Resultado absoluto da classificação em oito categorias utilizando 11 parâmetros extraídos do perfil magnético, implementada com oito redes neurais

binárias.

CATEGORIA REAL

CLASSIFICAÇÃO PELA REDE NEURAL

Total Real Carro Moto Ônibus Caminhão Carreta Van Caminhonete Camioneta

Carro 291 2 0 0 0 0 2 1 296

Tabela 14 - Percentuais de Classificação para o conjunto de testes com oito redes neurais 11-5-1.

Carro Moto Ônibus Caminhão Carreta Van Caminhonete Camioneta Total Taxa de

O tempo para processamento dos dados é proporcional ao número de redes neurais utilizadas na topologia, que por sua vez depende do número de categorias que se deseja distinguir. Os resultados na classificação foram bastante similares aos obtidos pela implementação do sistema em um único perceptron multicamada (MLP), o que indica que mapeamento entrada-saída está bom, tendo sido adotado pelo processo de treinamento, pesos adequados para cada função de mapeamento.

Apesar de o tempo de processamento ser maior do que o sistema com uma única rede, a divisão em múltiplas redes permite uma maior autonomia das redes individuais. Dessa forma, cada perceptron necessita de apenas cinco neurônios na camada oculta em relação ao modelo com uma única rede (com oito neurônios) para atingir índices de classificação semelhantes.